Relationale Datenbanken werden in Unternehmen weit verbreitet für Datenformate eingesetzt und treiben viele Vorhersagedienste an, aber traditionelle Machine-Learning-Methoden haben Schwierigkeiten, die Konnektivitätsstruktur dieser relationalen Schemata voll auszunutzen. Graph-Neural-Netzwerke (GNNs) sind für graph-strukturierte Daten gut geeignet, aber die meisten GNNs sind auf einen bestimmten Graphen festgelegt und können nicht auf neue Graphen mit neuen Knoten, Kanten-Typen, Merkmalen und Knoten-Labels generalisieren. Das Ziel ist es, ein einziges Modell zu entwerfen, das auf miteinander verbundenen relationalen Tabellen exzellieren und auf jede beliebige Menge von Tabellen, Merkmalen und Aufgaben ohne zusätzliches Training generalisieren kann. Dies kann erreicht werden, indem relationale Tabellen in einen einzelnen heterogenen Graphen umgewandelt werden, bei dem jede Tabelle einen einzigartigen Knotentyp und jede Zeile in einer Tabelle einen Knoten wird. Ein Graph-Grundmodell (GFM) kann auf einem Graphen trainiert werden und Inferenz auf jedem unerkannten Graphen durchführen, trotz der Unterschiede in Struktur und Schema. Die Hauptforderung besteht darin, eine übertragbare Methode für die Kodierung beliebiger Datenbankschemata und die Handhabung von Knotenmerkmalen zu erstellen. Die Ergebnisse zeigen, dass GFMs im Vergleich zu traditionellen tabellarischen Baselines signifikante Leistungssteigerungen erzielen können, und dass die Ausnutzung der Struktur der Daten ML-Modelle mit breiten Anwendungen in der künstlichen Intelligenz verbessern kann.